AI-moeheid is echt. Maar het is niet wat je denkt

Er is een verhaal in opkomst dat veel aandacht krijgt: AI put ons uit. Ingenieurs schrijven meer code dan ooit en voelen zich erger dan ooit. De term “AI-moeheid” wordt gebruikt en de meningen stapelen zich op.

Een software-ingenieur schrijft in Business Insider dat het afgelopen kwartaal zijn meest productieve en meest uitputtende kwartaal was. Steve Yegge, die letterlijk het boek over vibe-coding schreef, vertelt The Pragmatic Engineer dat hij overdag slaapt en AI-geassisteerd werk beperkt tot drie uur. Startup-oprichters botsen tegen een muur om 14.00 uur. Een van de meest gedeelde berichten deze maand waarschuwt dat AI een “vampirisch effect” heeft op de mensen die het het meest gebruiken.

Hier is wat niemand lijkt te merken: de mensen die de meeste moeheid melden, zijn niet de sceptici. Ze zijn de ware gelovigen.

De ingenieurs die vastzitten op niveau één op Yegge’s adoptieschaal, degenen die AI helemaal negeren, voelen zich prima. Een beetje angstig, misschien, maar niet uitgeput. Het zijn degenen op niveaus vijf, zes, zeven, degenen die volledig zijn ingesprongen, meerdere agenten uitvoeren, complexe workflows coördineren, op snelheden schrijven die ze nooit hadden kunnen voorstellen, die thuiskomen alsof ze zijn afgebeuld.

Die patroon moet ons iets vertellen. En ik denk dat het ons vertelt dat “AI-moeheid” de verkeerde diagnose is.

Je hebt geen moeheidsprobleem. Je hebt een trainingsprobleem.

Denk aan de eerste keer dat je ooit een deadlift deed. Niet een bijzonder zwaar gewicht. Alleen de beweging zelf. Je werd de volgende ochtend wakker en je hele lichaam voelde alsof het was gedemonteerd en weer in elkaar gezet op een verkeerde manier. Je benen waren pijnlijk. Je rug was pijnlijk. Spieren die je niet wist dat je had, maakten zich bekend op de meest onplezierige manier mogelijk.

Als iemand je productiviteit die dag had gemeten, zou het er slecht hebben uitgezien. Je kon nauwelijks gaan zitten zonder te kreunen. Je had redelijkerwijs kunnen concluderen dat deadliften niet volhoudbaar is, dat het menselijk lichaam niet is gebouwd voor dit soort dingen, dat de kosten de voordelen overtreffen.

Maar natuurlijk, zes maanden later til je tweemaal zoveel gewicht en voel je je prima daarna. Je lichaam heeft nieuwe banen gebouwd. Het heeft zich aangepast. De beweging die eerst elke vezel van je bewuste inspanning vereiste, is automatisch geworden. De pijn betekende niet dat je kapot was. Het betekende dat je iets nieuws aan het bouwen was.

Dit is exact wat er gebeurt met AI-geassisteerd werk.

De cognitieve belasting waar niemand over praat

Wanneer je code schrijft op de traditionele manier, loopt je brein een goed ingesleten programma. Je hebt het duizenden keren gedaan. Je kent de toetsenbordcombinaties, de patronen, de debug-rhythmen. Het is alsof je je dagelijkse rit naar het werk rijdt: technisch complex, maar zo geoefend dat je het kunt doen terwijl je aan het eten denkt.

AI-geassisteerd werk is een fundamenteel andere cognitieve taak. Je schrijft geen code meer. Je dirigeert, evalueert, beslist, schakelt tussen meerdere agenten, beoordeelt output die je niet zelf hebt geschreven, houdt architectonische intentie in je hoofd terwijl een AI implementatiekeuzes maakt die je in real-time moet valideren.

Dat is niet hetzelfde werk dat sneller wordt gedaan. Het is een ander werk helemaal. En je brein heeft nog geen efficiënte banen voor dit soort werk gebouwd.

Elke beslissing is nog steeds bewust. Elke beoordeling vergt actieve inspanning. Je bewaakt kwaliteit, onderhoudt context over parallelle werkstromen, maakt oordelen over AI-output constant. Dat is waarom drie uur van dit soort werk je meer kan uitputten dan acht uur traditioneel programmeren. Het is het cognitieve equivalent van je eerste week in de sportschool.

De adoptiecurve is eigenlijk een uitputtingscurve

Yegge’s acht niveaus tellen voor AI-adoptie kaart bijna perfect op een uitputtingscurve, hoewel ik denk dat dat niet zijn bedoeling was.

Op niveaus één en twee gebruik je AI nauwelijks. Autocomplete hier, een vraag daar. Weinig cognitieve belasting. Weinig moeheid.

Op niveaus drie tot en met zes zit je in het diepe. Je hebt de agent meer autonomie gegeven, je beoordeelt minder regel voor regel en meer holistisch, je voert meerdere agenten uit en je navigeert constant een workflow die 18 maanden geleden nog niet bestond. Dit is waar de uitputting zit. Dit is de zware deadlift.

Op niveaus zeven en acht gebeurt er iets interessants. Je hebt orchestratie-systemen gebouwd. De AI werkt meer autonoom. Je hebt geleerd wat je kunt vertrouwen en wat je moet controleren. Je beschrijft resultaten en loopt weg. Matt Shumer beschrijft exact dit: tegen AI zeggen wat het moet bouwen, vier uur weggaan en terugkomen bij afgewerkt werk. De aanpassing begint vat te krijgen.

De uitputting is niet gelijkmatig verdeeld. Het piekt in het midden, recht waar de meeste vroege aanvaarders nu zitten. En dat is waarom de moeheid universeel lijkt: de mensen die het meest over AI praten, zijn onevenredig degenen die in het moeilijkste deel van de leercurve zitten.

Niemand schreef artikelen over “rijmoeheid”

Herinner je je de eerste keer dat je leerde rijden? De eerste keer dat je invoegde op een snelweg, greep je het stuur alsof je leven ervan afhing (wat, eerlijk gezegd, ook zo was). Je kwam thuis van een 30 minuten durende rit en was compleet uitgeput. Je brein had op maximale capaciteit gedraaid: spiegels checken, snelheid beheren, andere bestuurders anticiperen, verkeersborden verwerken, allemaal tegelijk en allemaal bewust.

Nu rijd je een uur terwijl je half luistert naar een podcast en een sandwich eet. De taak is niet veranderd. Jij bent veranderd. Je brein heeft efficiënte neurale banen voor rijden gebouwd, comprimeert wat vroeger volledige bewuste aandacht vereiste in achtergrondprocessen.

Niemand schreef denkstukken over “rijmoeheid” als een existentiële crisis. Niemand suggereerde dat auto’s een “vampirisch effect” op hun bestuurders hebben. We begrepen intuïtief dat de uitputting tijdelijk was. Het was de prijs van het leren van iets nieuws.

Dat is het deel van het huidige discours dat ontbreekt. “AI-moeheid” wordt behandeld als een permanente toestand, een fundamenteel kenmerk van de technologie, terwijl het eigenlijk een overgangskost is. Het is trainsoreness, geen chronische ziekte.

Waarom dit meer belangrijk is dan comfort

Dit onderscheid is niet alleen semantisch. Hoe je het probleem diagnoseert, bepaalt wat je eraan doet.

Als AI-moeheid een permanent kenmerk van de technologie is, dan is Yegge’s drie-uur limiet de plafond voor altijd. Bedrijven moeten plannen voor ingenieurs die maar een fractie van de dag productief kunnen zijn. Het “vampirische effect” is de prijs van toegang, en we moeten er maar mee leren leven.

Maar als het trainsoreness is, dan is het spelboek compleet anders. Je beheert de belasting. Je bouwt geleidelijk. Je stopt niet met naar de sportschool gaan omdat je spierpijn hebt. En kritisch, je gaat niet ervan uit dat het uitputtingsniveau van vandaag hetzelfde is als dat van morgen.

De ingenieurs die door deze fase heen komen, die de cognitieve banen voor AI-werk bouwen, die op het juiste niveau beoordelen en architectonische intentie over parallelle werkstromen onderhouden, zullen uiteindelijk dit werk doen alsof het zo natuurlijk is als autorijden. De drie-uur muur zal zich verplaatsen naar vijf, dan zeven. Niet omdat ze harder werken, maar omdat het werk ophoudt moeite te kosten op dezelfde manier.

Ondertussen zullen de ingenieurs die over “AI-moeheid” lezen en besluiten om op niveau twee te blijven, comfortabel, vertrouwd, niet uitgeput, zich in een veel slechtere positie bevinden.

Niet omdat ze niet mee konden komen met een trend, maar omdat ze nooit zijn begonnen met de training die iedereen al heeft doorlopen.

Het echte risico: verwarren van spierpijn met blessure

Ik wil duidelijk zijn over iets. Er is een verschil tussen trainsoreness en echte blessure, en dat geldt hier ook voor.

Als je 14 uur per dag “vibe-code” schrijft, vier uur slaapt en op adrenaline loopt omdat de nieuwheid verslavend is, is dat geen training. Dat is overtraining. En net als in de sportschool, overtraining bouwt niets op. Het breekt je af.

Yegge’s drie-uur observatie is waardevol niet als een permanent plafond, maar als een signaal over de huidige herstelbehoeften. Wanneer je vroeg in de training bent, heb je meer rust nodig tussen sessies. Naarmate je je aanpast, kun je meer volume aan. De mensen die uitgeput raken, zijn niet degenen die drie gefocuste uren AI-geassisteerd werk doen. Ze zijn degenen die niet kunnen stoppen omdat de feedbacklus te overtuigend is, wat precies de slotmachine-dynamiek is die ik eerder heb beschreven.

Het antwoord is niet om de sportschool te vermijden. Het is om slim te trainen: intense sessies, echt herstel, geleidelijke vooruitgang.

Een voorspelling die niemand anders doet

Dit is wat ik denk dat er gebeurt in de komende 12 tot 18 maanden.

Het “AI-moeheid” verhaal zal dit jaar een hoogtepunt bereiken. Er zullen meer artikelen zijn, meer handenwringen, waarschijnlijk een paar hooggeplaatste ingenieurs die openlijk “een pauze nemen van AI-hulpmiddelen”. Het zal een significante backlash lijken.

Toen zal het stil worden. Niet omdat mensen zijn gestopt met het gebruik van AI, maar omdat de vroege aanvaarders zijn aangepast. De drie-uur muur zal een verre herinnering zijn voor mensen die dit al een jaar en een half doen. Ze zullen AI-workflows dirigeren alsof ze vroeger for-loops schreven: zonder erbij na te denken.

En de kloof tussen degenen die door de spierpijn heen zijn gekomen en degenen die dat niet hebben gedaan, zal enorm zijn. Niet omdat AI-vaardigheden zeldzaam zijn, maar omdat de aanpassing zelf, het vermogen om te denken in termen van richting, evaluatie en orchestratie in plaats van regel voor regel implementatie, voor de ene groep tweede natuur is geworden en voor de andere groep compleet vreemd is.

De slechtste reactie op spierpijn is altijd hetzelfde: stoppen met naar de sportschool gaan.

Wat dit betekent voor leiders

Als je nu een ingenieurs-team leidt, begrijp dan wat je eigenlijk ziet. Je meest productieve ingenieurs zijn ook je meest vermoeide. Dat is geen tegenspraak. Het is het duidelijkste signaal dat je hebt dat aanpassing gaande is.

Reageer niet door AI-adoptie terug te schroeven. Reageer niet door te doen alsof de moeheid niet echt is. Reageer zoals een goede coach zou doen: beheer de trainingsbelasting. Verwacht intense, gefocuste sessies van AI-geassisteerd werk gevolgd door echte hersteltijd. Geef mensen toestemming om te werken aan wat voelt als gereduceerde uren terwijl ze nieuwe cognitieve vaardigheden ontwikkelen. De output zal nog steeds meervoudig zijn van wat het eerder was.

De bedrijven die dit goed doen, zullen tegen het einde van het jaar aangepaste teams hebben. Degenen die of de moeheid negeren of terugtrekken van AI als reactie daarop, zullen zich in de slechtste van beide uitkomsten bevinden: uitgeputte ingenieurs die nooit door de moeilijkste fase van de curve heen zijn gekomen.

We ervaren niet de bijwerkingen van een nieuwe technologie. We zijn in de eerste weken van training voor een nieuwe manier van werken. De spierpijn is het bewijs dat het werkt. Leun erin, beheer het en vertrouw erop dat je brein, net als elk ander adaptief systeem in de natuur, zal doen wat het altijd heeft gedaan.

Het zal zich aanpassen.